在基底图像分类中搜索对冲神经网络的区分区域 用遗传算法进行图像分类

科学领域:

• 医疗图像分析 医学图像分析
• 医疗保健中的人工智能
• 计算机视觉 计算机视觉 计算机视觉

背景情况:

• 深层卷积神经网络 (CNN) 在基底图像分类方面表现出色,但由于其黑盒性质,缺乏可解释性.
• 有限的解释性阻碍了CNN在医学图像解释方面的临床应用.

研究的目的:

• 开发一种新的方法来识别 fundus 图像中的歧视性区域,以提高 CNN 的解释性.
• 通过揭示对分类至关重要的图像区域来增强用户对CNN预测的信心.

主要方法:

• 利用进化过程来选择超级像素,自动识别 fundus 图像中的歧视性区域.
• 提出了一种方法来搜索对CNN特定类别分类最有影响力的图像区域.

主要成果:

• 在识别歧视性地区方面表现出显著的有效性,分类信心平均增加了77.8%.
• 展示了所识别的歧视性区域与人类可解释的证据保持一致,并分布在图像中.
• 证实了超级像素的小子集足以让CNN自信地分类特定类别.

结论:

• 拟议的方法有效地提高了在基金图像分类中CNN的可解释性.
• 确定的歧视性区域可以增加对人工智能驱动的诊断预测的信心.
• 这种方法有助于临床医生了解医学成像中CNN决策的基础.